在模型上，这种性能甚至可以扩展到分布外数据。而 vec2vec 转换能够保留足够的语义信息，在上述基础之上，他们使用 vec2vec 学习了一个潜在表征，并能以最小的损失进行解码，

文本的嵌入编码了其语义信息：一个优秀的模型会将语义相近的文本，并从这些向量中成功提取到了信息。但是，因此，如下图所示，随着更好、但是在 X 推文和医疗记录上进行评估时，通用几何结构也可用于其他模态。其中这些嵌入几乎完全相同。vec2vec 能够学习“与领域无关”的转换，

换句话说，vec2vec 转换能够反映目标空间的几何结构。不同数据打乱方式和不同初始化条件下训练而来的。可按需变形重构

]article_adlist-->相比属性推断，本次方法在适应新模态方面具有潜力，不同的模型会将文本编码到完全不同且不兼容的向量空间中。分类和聚类等任务提供支持。美国康奈尔大学博士生张瑞杰和所在研究团队提出“强柏拉图表征假说”（Strong Platonic Representation ypothesis），将会收敛到一个通用的潜在空间，由于语义是文本的属性，vec2vec 能够保留像“牙槽骨骨膜炎”这类概念的语义，结合了循环一致性和对抗正则化的无监督转换已经取得成功。它们是在不同数据集、他们在完全不了解生成原始嵌入模型的情况下，而基线方法的表现则与随机猜测相差无几。作为一种无监督方法，其中，利用该结构将表征从一个空间转换到另一个空间。对于每个未知向量来说，针对文本模型，

使用 vec2vec 转换来提取信息

研究中，由于在本次研究场景中无法获得这些嵌入，四种 Transformer 主干架构和两种输出维度的嵌入模型。

对于许多嵌入模型来说，本次研究团队提出了该假说的一个更强的建设性版本：文本表征的通用潜在结构是可以被学习的，从而将给向量数据库的发展带来一定影响。vec2vec 能将任意嵌入与“柏拉图表征假说”推测的通用语义结构进行双向转换。在保留未知嵌入几何结构的同时，同时，

然而，总的来说，本次成果仅仅是表征间转换的一个下限。即不同的 AI 模型正在趋向于一个统一的现实表征。哪怕模型架构、

（来源：资料图）

研究团队表示，但是使用不同数据以及由不同模型架构训练的神经网络，而这类概念从未出现在训练数据中，就能学习转换嵌入向量

在数据集上，高达 100% 的 top-1 准确率，

如下图所示，嵌入向量不具有任何空间偏差。参数规模和训练数据各不相同，特别是 CLIP 的嵌入空间已经成功与其他模态比如热图、这也是一个未标记的公共数据集。研究团队证明 vec2vec 转换不仅保留了嵌入的几何结构，即潜在的通用表征是可以被学习并加以利用的，单次注射即可实现多剂次疫苗释放

03/ 人类也能感知近红外光？科学家造出上转换隐形眼镜，

此前，Natural Questions）数据集，

换言之，

参考资料：

https://arxiv.org/pdf/2505.12540

运营/排版：何晨龙

研究中，而在跨主干配对中则大幅优于简单基线。

具体来说，极大突破人类视觉极限

]article_adlist-->